DSH HUB
HomePlugin StorePlugin PacksCommunityRankingsResourcesPublish Guide
Plugin source
Back to catalog

her-os /

her-os/her-dsh-memory

Topic repository only

Long-term memory plugin for DeepSeek Harness: remembers what matters in your chats and brings it up naturally next time. By Her.

★ 1 Stars0 Forks0 IssuesN/A Community rating0 Confirmed installs
View on GitHubProject homepage
READMESource: main@69f9c3b6

her-dsh-memory

Her 的长期记忆插件,跑在 DeepSeek Harness(DSH)上:自动记住聊天里的重要信息,下次对话时自然想起。由北京词元共振智能科技有限公司开发,了解 Her:https://hersoul.cn/zh

安装

需要 DeepSeek Harness(DSH)桌面版或 dsh 命令行。

  1. 在 DSH 的插件页按包名 @her-os/dsh-memory 安装,或在终端执行:
    dsh plugin add @her-os/dsh-memory
    
  2. 桌面版装好后按 Cmd+Q 完全退出再打开(Windows / Linux 关掉再开)。只关窗口的话,页面还是旧代码。
  3. 打开设置 → 插件 →「记忆」标签页,能看到「Her 记忆」就是装好了。

装好后就会自动工作:每 3 轮对话、停下 5 分钟或关闭会话时整理一次值得记住的事,说「记住……」会立刻记下;回复前自动带上相关记忆。在「记忆」页可以查看、搜索、编辑、置顶、删除记忆,也可以暂停学习。

包

目录 包名 内容
packages/core @her-os/memory-core 不依赖 DSH 的记忆引擎:存储、检索、从对话里提取、遗忘与整理
packages/dsh @her-os/dsh-memory DSH bundle:Host 插件(lib/index.js)+ 浏览器端(lib/client.js)+ cordis.patch.yml
packages/local-embed @her-os/memory-local-embed 本机向量模型:首次使用时下载 ONNX Runtime 和模型;bench/ 里是效果和压测脚本
packages/e2e @her-os/dsh-memory-e2e 在真实 DSH(headless 和 Web)里跑的端到端测试
packages/eval @her-os/memory-eval 大库压测:1 万条以上记忆时每轮召回的耗时、卡顿、内存和库体积

开发

需要 Node ≥ 24.9 和 pnpm 11(npx pnpm@11.28.5 也行)。

pnpm install
pnpm build       # 构建 packages/dsh/lib
pnpm test        # 单元测试;构建后会多跑产物格式检查
pnpm typecheck
pnpm test:e2e    # 打包插件,装进临时 DSH_HOME,用假模型跑 headless 和 Web;需要本机有 Chrome

HER_MEMORY_E2E_LOCAL=1 pnpm test:e2e 会多跑本地向量模型那组:真实下载约 140 MB(bge-small-zh 加 Runtime),看 Web 页面的下载进度、模型列表,以及换说法召回。HER_MEMORY_EMBED_CACHE=<缓存目录> 可以复用已下载的文件。

从源码装到本机 DSH

先构建,再在 DSH 的插件页用本地路径安装(填 packages/dsh 的绝对路径),或在 DSH 对话里让它用 plugin_manager 安装这个路径。装好后在设置 → 插件里能看到“记忆”标签页。

语义检索

默认关闭,只用关键词检索(SQLite FTS5,BM25 排序)。在记忆页点「开启本机语义检索」,或在设置里把「语义检索来源」改成本地模型 / 云端服务即可开启。选本地模型时在后台下载 ONNX Runtime(约 115 MB)和所选模型,存在 $DSH_HOME/her-memory/embedding/;下好之前只用关键词检索,下好后自动给已有记忆补向量。下载先走 Hugging Face,失败换 ModelScope(npm 包走 npmjs,失败换 npmmirror),支持断点续传和校验,多个 DSH 进程同时启动只有一个在下。

模型 下载 效果 速度 内存 语言
EmbeddingGemma 300M 4-bit(默认) 约 219 MB ★★★ ★★ 约 500 MB 中英等多语言
EmbeddingGemma 300M 8-bit 约 331 MB ★★★ ★ 约 1.7 GB 中英等多语言
BGE small 中文 约 24 MB ★ ★★★ 约 150 MB 中文
multilingual-e5-small 约 135 MB ★★ ★★★ 约 650 MB 中英等多语言
BGE-M3 约 586 MB ★★★ ★★ 约 1.7 GB 中英等多语言

实测(M 系列 Mac,公开小样例 50 条记忆、45 条换说法的提问;压测再混入 1 万条干扰记忆):

模型 召回命中@5 压测命中@5 压测召回 p50 / p95 补算速度 内存(用时 / 补算峰值)
只用关键词 0.27 0.24 0.3 / 2.1 ms — —
EmbeddingGemma 4-bit 0.98 0.84 15.5 / 22.3 ms 162 条/秒 490 MB / 870 MB
EmbeddingGemma 8-bit 0.98 0.84 48.0 / 66.1 ms 151 条/秒 1.6 GB / 2.0 GB
BGE small 中文 0.98 0.60 6.4 / 11.4 ms 1538 条/秒 110 MB / 300 MB
multilingual-e5-small 0.89 0.67 5.4 / 8.2 ms 955 条/秒 650 MB / 930 MB
BGE-M3 0.98 0.87 15.7 / 19.2 ms 155 条/秒 1.7 GB / 1.8 GB

8-bit 在这台机器上效果和 4-bit 相同,却更慢、更占内存,留作对照。

模型许可:EmbeddingGemma 受 Google Gemma 使用条款 约束,选用即表示接受;BGE small 中文、multilingual-e5-small、BGE-M3 为 MIT 许可。模型文件在用户本机下载,不随插件分发。

支持 Apple 芯片 Mac、Windows(x64/arm64)、Linux(x64/arm64);Intel Mac 没有预编译的 Runtime,页面会提示改用云端服务。

效果和压测:node packages/local-embed/bench/eval.ts --root <缓存目录> --model <模型 id|keyword> [--set <评测集>] [--stress 10000]。默认用仓库里的公开小样例,也可以用 --set 指定自己的评测集。

数据库默认在 $DSH_HOME/her-memory/memory.db(没设 DSH_HOME 时是 ~/.dsh/her-memory/memory.db)。

浏览器端构建

DSH 的浏览器端插件要按它的模块加载格式打包:整个文件是一次 window.__ModuleLoader__.load({ id, factory }) 调用,共享模块通过注入的 require 取。DSH 自己的 clientBundle 预设没有发布,packages/dsh/tsdown.config.ts 照它重写了一份;只有 DSH 页面提供的平台模块(React、cordis、ui-slots 等)留作外部依赖,其余全部打进包里。

反馈与参与

  • 问题和建议:提 Issue。
  • 安全漏洞请不要公开提 Issue,按 SECURITY.md 私下报告。
  • 想改代码:见 CONTRIBUTING.md。

许可证

MIT。本机向量模型各有自己的许可,见上文「语义检索」。

发布到 npm

插件以 @her-os/dsh-memory 发布到 npm,用户在 DSH 插件页按包名安装,之后也能在插件页收到更新。发布要用 npm 上 her-os 组织的账号登录:

pnpm install
pnpm --filter @her-os/dsh-memory publish   # 先构建,再以公开包发布

发布前把 packages/dsh/package.json 的 version 改成新版本号。

—/ 5

No ratings yet

Manifest verification required

Commit 69f9c3b66c31

Community comments

No comments yet. Be the first to write one.

DSH HUB

A community index for DSH plugins. Not an official GitHub or DeepSeek AI product.

CommunityResourcesAPIAbout